CN115496523A - 一种广告发布方法、计算机可读存储介质和电子设备 - Google Patents
一种广告发布方法、计算机可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN115496523A CN115496523A CN202211057831.3A CN202211057831A CN115496523A CN 115496523 A CN115496523 A CN 115496523A CN 202211057831 A CN202211057831 A CN 202211057831A CN 115496523 A CN115496523 A CN 115496523A
- Authority
- CN
- China
- Prior art keywords
- user
- advertisement
- group
- vector
- candidate list
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请实施例提供了一种广告发布方法、计算机可读存储介质和电子设备。方法应用于终端设备,方法包括:获取第一用户的用户行为数据;根据第一用户的用户行为数据,获取第一用户所属群组的群组序号,以及,第一用户的用户标签向量;向广告推荐服务器发起广告请求,广告请求携带有对应第一用户的用户标签向量以及群组序号;接收广告推荐服务器发送的广告数据;根据广告数据进行广告展示。根据本申请提供的广告发布方法,可以根据用户标签向量以及群组序号提高广告推荐的精度。
Description
【技术领域】
本申请涉及互联网技术领域,尤其涉及一种广告发布方法、计算机可读存储介质和电子设备。
【背景技术】
广告是互联网技术领域变现的关键手段之一,直接影响到公司整体的收入水平。有别于传统广告(如线下大屏广告、杂志广告等),程序化广告是指广告主通过数字平台从受众匹配的角度由程序自动化完成展示类广告的采买和投放。国家对用户隐私的监管越来越严格,用户的行为数据无法上传,使得广告的推荐精度下降。
【发明内容】
有鉴于此,本申请实施例提供了一种广告发布方法、计算机可读存储介质和电子设备,用以提高广告推荐的精度。
本申请实施例采用下述技术方案:
第一方面,本申请实施例提供了一种广告发布方法,方法应用于终端设备,方法包括:
获取第一用户的用户行为数据;
根据第一用户的用户行为数据,获取第一用户所属群组的群组序号,以及,第一用户的用户标签向量;
向广告推荐服务器发起广告请求,广告请求携带有对应第一用户的用户标签向量以及群组序号;
接收广告推荐服务器发送的广告数据;
根据广告数据进行广告展示。
根据本申请提供的广告发布方法,可以根据用户标签向量以及群组序号提高广告推荐的精度,使广告推荐服务器的模型反馈的广告候选列表与用户相关性更高。
进一步的,群组序号和用户标签向量的计算仅在终端设备进行,用户标签向量以及群组序号并不包含直接体现用户信息的数据,可以最大程度保护用户隐私。
在第一方面的一种实现方式中,根据第一用户的用户行为数据,获取第一用户所属群组的群组序号,包括:
使用配置在终端设备上的群组序号生成模型生成群组序号;
在第一方面的一种实现方式中,根据第一用户的用户行为数据,获取第一用户的用户标签向量,包括:
使用配置在终端设备上的用户标签生成模型生成用户标签,根据用户标签生成用户标签向量。
在第一方面的一种实现方式中,根据第一用户的用户行为数据,获取第一用户所属群组的群组序号,以及,第一用户的用户标签向量之前,方法还包括:
接收云侧服务器发送的群组序号生成模型和/或用户标签生成模型。
在第一方面的一种实现方式中,广告数据包括广告候选列表,广告候选列表包含按照第一顺序排列的多个广告;
根据广告数据进行广告展示,包括:
对第一顺序进行重新排序,获取第二顺序;
基于第二顺序,对广告候选列表中的广告进行广告展示。
在第一方面的一种实现方式中,对第一顺序进行重新排序,包括:
根据对应第一用户的群组序号以及用户标签向量,结合用户上下文,对广告候选列表中的广告进行排序。
在第一方面的一种实现方式中,广告数据还包括针对广告候选列表的竞价信息,竞价信息包括广告候选列表中的广告的竞价;
对第一顺序进行重新排序,包括:
统计第一用户针对广告候选列表中广告的实际页面访问点击率;
根据实际页面访问点击率,调整广告候选列表中广告的竞价,获取竞价调整结果;
根据竞价调整结果对广告候选列表中的广告进行排序。
本申请一实施例提供的技术方案中,结合用户的终端设备本地的实时数据,根据端云两侧模型排序预估的差异,进行竞价的动态调整,最大程度上提高广告的潜在收益,也可以在更精准地匹配用户兴趣的同时最大化收益水平。
在第一方面的一种实现方式中,广告数据还包括针对广告候选列表的竞价信息,竞价信息包括广告候选列表中广告的竞价;
对第一顺序进行重新排序,包括:
根据对应第一用户的群组序号以及用户标签向量,结合用户上下文,对第一顺序进行重新排序,生成第三顺序;
统计第一用户针对广告候选列表中广告的实际页面访问点击率;
根据实际页面访问点击率,调整广告候选列表中广告的竞价,获取竞价调整结果;
根据竞价调整结果对第三顺序进行重新排序,生成第二顺序。
在第一方面的一种实现方式中,方法还包括:
输出第一用户对应的群组序号以及用户标签向量到可信服务器。
在第一方面的一种实现方式中,方法还包括:
接收可信服务器反馈的更新后的群组序号和群组向量标签的对应文件。
第二方面,本申请实施例提供了一种广告发布方法,方法应用于广告推荐服务器,方法包括:
接收终端设备发送的广告请求,广告请求携带有对应第一用户的用户标签向量以及群组序号;
根据用户标签向量以及群组序号生成对应第一用户的广告数据;
将对应第一用户的广告数据发送到终端设备。
在第二方面的一种实现方式中,广告数据包括广告候选列表,广告候选列表包含按照第一顺序排列的多个广告。
在第二方面的一种实现方式中,根据用户标签向量以及群组序号生成对应第一用户的广告数据,包括:
根据上下文特征、广告特征向量以及广告请求中的群组序号、用户标签向量计算广告的预估页面访问点击率;
基于预估页面访问点击率选取广告,生成广告候选列表,其中,按照预估页面访问点击率生成第一顺序。
在第二方面的一种实现方式中,广告数据还包括针对广告候选列表的竞价信息,竞价信息包括广告候选列表中广告的竞价;
根据用户标签向量以及群组序号生成对应第一用户的广告数据,还包括:
基于第一顺序,为广告候选列表中的广告配置竞价。
第三方面,本申请实施例提供了一种广告发布方法,方法应用于可信服务器,可信服务器用于保存群组的群组标签向量,以及对应群组的用户的用户标签向量,方法包括:
接收终端设备发送的,对应第一用户的群组序号以及用户标签向量;
根据对应第一用户的群组序号确定对应的第一群组;
根据对应第一用户的用户标签向量,更新第一群组的群组标签向量。
本申请一实施例提供的技术方案中,使用可信服务器进行群组表示的更新,可信服务器与广告推荐服务器相互独立,有效避免了用户隐私的外泄。
进一步的,群组表示的更新仅利用用户标签向量完成,用户标签向量中并不包含可以直接描述用户信息的数据,进一步降低了用户隐私外泄的可能性。
在第三方面的一种实现方式中,根据对应第一用户的用户标签向量,更新第一群组的群组标签向量,包括:
根据对应第一用户的用户标签向量,计算第一群组的用户标签向量更新频次;
在第一群组的用户标签向量更新频次超出预设阈值的情况下,根据对应第一用户的用户标签向量,更新第一群组的群组标签向量。
在第三方面的一种实现方式中,方法还包括:
在更新第一群组的群组标签向量之后,将更新后的群组序号和群组向量标签的对应文件发送到终端设备。
第四方面,本申请实施例提供了一种广告发布方法,方法应用于模型服务器,模型服务器用于保存群组序号生成模型和/或用户标签生成模型;
群组序号生成模型用于根据第一用户的用户行为数据,生成第一用户所属群组的群组序号;
用户标签生成模型用于根据第一用户的用户行为数据,生成第一用户的用户标签;
方法包括:
输出群组序号生成模型和/或用户标签生成模型到第一用户的终端设备。
第五方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如第一方面、第二方面、第三方面或第四方面的方法。
第六方面,本申请实施例提供了一种电子设备,电子设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当计算机程序指令被该处理器执行时,触发电子设备执行如第一方面的方法步骤。
第七方面,本申请实施例提供了一种电子设备,电子设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当计算机程序指令被该处理器执行时,触发电子设备执行如第二方面的方法步骤。
第八方面,本申请实施例提供了一种电子设备,电子设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当计算机程序指令被该处理器执行时,触发电子设备执行如第三方面的方法步骤。
第九方面,本申请实施例提供了一种电子设备,电子设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当计算机程序指令被该处理器执行时,触发电子设备执行如第四方面的方法步骤。
【附图说明】
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为根据本申请一实施例的广告推荐示意图;
图2为根据本申请一实施例的一种基于联邦队列学习的广告推荐方法的流程图;
图3为根据本申请一实施例的一种基于联邦机器学习的广告推荐方法的流程图;
图4为根据本申请一实施例的广告发布系统的结构示意图;
图5为根据本申请一实施例的一种广告发布方法的流程图;
图6为根据本申请一实施例的另一种广告发布方法的流程图;
图7为根据本申请一实施例的群组序号和用户标签向量生成的流程图;
图8为根据本申请一实施例的部分流程图;
图9为根据本申请一实施例的用户标签生成模型的示意图;
图10为根据本申请一实施例的更新群组表示的流程图;
图11为根据本申请一实施例的广告发布方法的流程图;
图12为根据本申请一实施例的广告发布系统的结构示意图;
图13为本申请实施例提供的一种电子设备的示意图。
【具体实施方式】
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,甲和/或乙,可以表示:单独存在甲,同时存在甲和乙,单独存在乙这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
机器学习:机器学习是一门多学科交叉专业,涵盖概率论知识,统计学知识,近似理论知识和复杂算法知识,使用计算机作为工具并致力于真实实时的模拟人类学习方式,并将现有内容进行知识结构划分来有效提高学习效率。
向量:数学概念,用来指具有特定长度的一组数值,作为一个整体进行相关计算。
点击率预测模型:模型接收用户侧与物品侧以及其他的特征信息,输出用户点击物品的概率。
图1为根据本申请一实施例的广告推荐示意图。
如图1所示,包括:终端设备11和云侧设备12,其中,云侧设备12包括需求方平台(Demand Side Platform,简称DSP)121、数据管理平台(Data Management Platform,简称DMP)122和归因分析模块123。终端设备11包括广告请求模块111、展示广告模块112和点击日志模块113。需求方平台121包括检索模块1211和排序竞价模块1212。数据管理平台122包括用户画像模块1221。
广告请求模块111用于收集用户的行为数据,并向DSP121发送广告请求,广告请求携带行为数据和用户身份证明(User Identification,简称Uid)。检索模块1211用于响应于广告请求,从用户画像模块1221中检索行为数据和Uid对应的用户画像,其中,用户画像模块1221存储有多个用户画像。排序竞价模块1212用于将用户画像对应的广告进行排序竞价,生成排序结果。
其中,排序竞价为用户画像与广告的相关性进行排序,将用户画像与广告的相关性高的广告的排序置前,并为排序靠前的广告赋予较高的价格。例如,用户画像为大学生对应的广告的排序依次为考研补习班广告、考公补习班广告、兼职广告,则考研补习班广告的排序最靠前,可以为考研补习班广告赋予最高的价格。
排序竞价模块1212生成的排序结果被DSP121发送到终端设备11。
本申请一实施例中,行为数据是用户浏览网页、购买商品等行为的数据。
本申请一实施例中,用户画像能代表广告的主要受众和目标群体。例如,用户画像包括学生、老人、游戏玩家等。
终端设备11的展示广告模块112用于接收DSP121发送的排序结果以展示广告。点击广告模块113用于生成日志,并将日志上传至云侧设备12,其中,日志用于记录用户在终端设备上点击的广告。
如图1所示实施例中,日志包括用户点击广告的历史记录。例如,用户点击了广告A、广告B和广告C。点击日志模块113根据广告A、广告B和广告C生成日志,以表明用户点击了哪些广告。
归因分析模块123用于根据点击广告模块113上传的日志以及用户画像模块1221中的用户画像进行归因分析,以分析广告的展示效果。
如本申请图1所示实施例中,归因分析为分析点击广告模块113上传的日志与用户画像模块1221中的用户画像的匹配度。例如,若点击广告模块113上传的日志包括广告A、广告B和广告C,用户画像模块1221中的用户画像对应的广告包括广告A、广告B和广告W,则用户画像模块1221中的用户画像确定得比较准确,广告的展示效果较强。
如本申请图1所示实施例中,终端设备主要收集用户的行为数据,并上传至云侧设备,终端设备发起广告请求时,会携带Uid。云侧设备主要是利用终端设备上传的行为数据构建点击率预测模型,之后根据广告请求中的Uid得到完整的用户画像,将用户画像输入进点击率预测模型中对候选广告进行排序,反馈排序结果给终端设备。
如本申请图1所示实施例中,因为涉及到广告主、用户、媒体方三方的交互,所以最终的排序结果会综合考虑用户体验与广告收益两个方面,也就是常见的每一千次展示可以获得的广告收入(effective cost per mile,简称ecpm)指标,通过计算预估点击率与广告竞价的乘积给出最终排序。然而,随着国内外对用户隐私的监管趋严,用户行为数据无法上传云侧。例如,云侧设备配置的页面访问点击率(pCTR)模型缺少完整的用户画像特征,广告推荐精度下降;用户身份难以定位,广告的归因分析也就无法进行。
图2为根据本申请一实施例的一种基于联邦队列学习的广告推荐方法的流程图。
如图2所示,S21a、终端设备1记录用户A浏览的网页地址,通过哈希编码处理(simhash)计算用户行为的编码表示URL1和URL2,其中,用户行为的编码表示可采用统一资源定位器(uniform resource locator,简称URL)表示。
S21b、终端设备2记录用户B浏览的网页地址,通过哈希编码处理(simhash算法)计算用户行为的编码表示URL2和URL3。
S22a、终端设备1按照设定的编码区间,根据用户A的用户行为的编码表示确定用户A的群组身份标识号(Identity document,简称ID)为群组id A。其中,群组身份标识号为群组A的群组序号。
群组序号为具有相同特征的人群的群组的序号,对应不同人群的不同群组的群组序号不同。例如,老人人群的群组序号为群组i d A,学生人群的群组序号为群组id B。
终端设备2按照设定的编码区间,根据用户B的用户行为的编码表示确定用户A的群组身份标识号(Identity document,简称ID)为群组id A。
S23a、终端设备1和/或终端设备2记录群组id A的群组活动,即记录群组id A的用户(用户A和/或用户B)访问的网站(例如,网站A)的内容主题与群组id A的映射关系,并将该映射关系反馈给DSP。
S24、当用户A使用终端设备1和/或用户B使用终端设备2携带群组id(群组id A)再次访问网站A时,DSP根据网站A的内容主题与群组id A的映射关系,计算广告相关性,根据广告相关性确定广告列表,向用户A的终端设备1和/或用户B的终端设备2返回广告列表。
S21c、终端设备3记录用户C浏览的网页地址,通过simhash算法计算用户行为的编码表示URL4和URL5。
S22b、终端设备3按照设定的编码区间,根据用户C的用户行为的编码表示确定用户C的群组ID为群组id B。群组id B为群组B的群组序号。
S23a、终端设备3记录群组id B的群组活动,即记录群组id B的用户C访问的网站(例如,网站B)的内容主题与群组id B的映射关系,并将该映射关系反馈给DSP。
S24、当用户C使用终端设备3携带群组id(群组id B)再次访问网站B时,DSP根据网站B的内容主题与群组id B的映射关系,计算广告相关性,根据广告相关性确定广告列表,向用户C的终端设备3返回广告列表。
如本申请图2所示实施例提供的技术方案,能够利用群组生成保护用户数据隐私,从而进行广告推荐的方法。通过在终端设备对用户的行为数据进行哈希编码处理,之后按照云侧设备统一分配的编码区间对用户编码选择群组id,携带此群组id发起广告请求。由于终端设备的行为数据仅在本地处理,该方案打破了传统广告推荐流程中需要上传用户数据的局限。
如本申请图2所示实施例提供的技术方案,在终端设备对用户浏览过的网页地址进行处理,得到固定维度的用户编码表示,能够在不上传用户的行为数据的前提下,对相似的用户进行聚类,并利用生成的群组id发送请求,从云侧设备返回出相关的广告列表,但这种方式仍存在以下不足:
1、群组序号生成的粒度较粗,无法精细化的体现出用户的兴趣,进而影响云侧设备推荐模型的准确性计算,返回的广告列表的质量不佳。
2、候选的广告的竞价信息单一,无法根据终端设备与云侧设备输入的用户兴趣的不同做出及时调整,无法最大化平台收益。
图3为根据本申请一实施例的一种基于联邦机器学习的广告推荐方法的流程图。
如图3所示,S31a、终端设备1记录用户A浏览的网页地址,计算出用户行为的编码表示URL1和URL2。
例如,用户A浏览的网页地址为网站A。
S32a、终端设备1根据URL1和URL2计算本地用户表示,并将本地用户表示上传至DSP。
如图3所示实施例中,本地用户表示为用于表示终端设备对应的用户喜好信息。例如,若URL1为游戏网站,则本地用户表示为喜好游戏的用户喜好信息。
本地用户表示中还包括用户标识。例如,用户标识A对应于终端设备1,用户标识B对应于终端设备2。
S33a、DSP调用云侧全局模型对本地用户表示进行计算生成广告列表,并基于用户标识A向终端设备1返回广告列表。
如图3所示实施例中,DSP调用云侧全局模型对本地用户表示进行计算生成广告列表时向终端设备1回传梯度,梯度为广告列表的变化量,回传梯度在释放内存的同时,使得终端设备1能根据生成的广告列表更新本地用户表示。
例如,若广告列表为广告A、广告B和广告C的广告列表,其中,广告A和广告B为游戏广告,广告C为动画广告,则为本地用户表示增加喜好游戏与动画的用户喜好信息。
S31b、终端设备2记录用户B浏览的网页地址,计算出用户行为的用户编码URL3和URL4。
S32b、终端设备2根据URL3和URL4计算本地用户表示,并将本地用户表示上传至DSP。
S33b、DSP调用云侧全局模型对本地用户表示进行计算生成广告列表,并基于用户标识B向终端设备2返回广告列表。
如图3所示实施例中,DSP调用云侧全局模型对本地用户表示进行计算生成广告列表时向终端设备2回传梯度,梯度为广告列表的变化量,回传梯度在释放内存的同时,使得终端设备2能根据生成的广告列表更新本地用户表示。
如本申请图3所示实施例提供的技术方案中,常采用的一些诸如差分隐私、联邦学习的方法虽然能够解决部分隐私保护场景下的广告推荐问题,但是在实际应用中,还存在以下三个短板:
1、云侧广告推荐精度下降:点击率预测模型缺少完整的用户画像特征,预估的点击概率准度不高,影响用户体验。
2、归因分析困难:对用户数据的隐私保护增强后,无法对广告的投放效果进行归因分析,也影响广告平台的定向投放功能。
3、广告收益下降:点击率预估的不准确也影响了广告竞价的效果,因为无法通过感知用户意图来对广告竞价进行及时的调整从而让更可能被点击的广告得到曝光机会,浪费了媒体较多的展示机会。
因此,为了解决隐私保护广告推荐技术的上述问题,本申请一实施例提供了一种广告发布系统。
图4为根据本申请一实施例的广告发布系统的结构示意图。
如图4所示,图4包括终端设备41、可信服务器42和广告推荐服务器43。终端设备41与可信服务器42连接,可信服务器42与广告推荐服务器43连接。
本申请一实施例中,广告推荐服务器43包括服务器,终端设备41包括手机、平板电脑、计算机或穿戴设备。
基于图4中的广告发布系统,本申请一实施例提供了一种广告发布方法,图5为根据本申请一实施例的一种广告发布方法的流程图。
S102、获取第一用户的用户行为数据。
本申请一实施例中,各步骤由终端设备41执行。例如,终端设备41包括手机、平板电脑、计算机或可穿戴设备。
本申请一实施例中,用户行为数据包括:用户交互的商品序列、用户的阅读文本等。
S104、根据第一用户的用户行为数据,获取第一用户所属群组的群组序号,以及,第一用户的用户标签向量。
具体地,使用配置在终端设备上的群组序号生成模型生成群组序号;和/或,使用配置在终端设备上的用户标签生成模型生成用户标签,根据用户标签生成用户标签向量。
本申请一实施例中,用户标签向量为根据用户标签生成的向量,用户标签为用户具备的特征,例如,用户A的用户标签为学生、游戏玩家、钓鱼爱好者等。
S106、向广告推荐服务器发起广告请求,广告请求携带有对应第一用户的用户标签向量以及群组序号。
S108、接收广告推荐服务器发送的广告数据。
本申请一实施例中,广告数据包括广告候选列表,广告候选列表包含按照第一顺序排列的多个广告。
S110、根据广告数据进行广告展示。
具体的在S110的一种实现方式中,基于第一顺序展示广告候选列表中的多个广告。
在S110的另一种实现方式中,对广告候选列表中的第一顺序进行重排,生成第二顺序,基于第二顺序展示广告候选列表中的多个广告。例如,第一顺序为广告A、广告B、广告C、广告D和广告E,第二顺序为广告C、广告A、广告D、广告B和广告E。根据广告C、广告A、广告D、广告B和广告E的顺序,对广告候选列表中的广告进行广告展示。
根据本申请提供的广告发布方法,可以根据用户标签向量以及群组序号提高广告推荐的精度,使广告推荐服务器的模型反馈的广告候选列表与用户相关性更高。
进一步的,群组序号和用户标签向量的计算仅在终端设备进行,用户标签向量以及群组序号并不包含直接体现用户信息的数据,可以最大程度保护用户隐私。
图6为根据本申请一实施例的一种广告发布方法的流程图。
如图6所示,广告发布方法包括:
S201,终端设备41采集第一用户的用户行为数据。
本申请一实施例中,用户行为数据包括:用户交互的商品序列、用户的阅读文本等。
S202,终端设备41根据第一用户的用户行为数据,确定群组序号和用户标签向量。
本申请一实施例中,终端设备41可以包括一套软件系统,该软件系统部署后通过接口的形式对外提供服务,主要功能是基于终端设备41本地的用户行为数据生成群组序号与群组标签向量,并以此发起广告请求,从广告推荐服务器43返回广告候选列表进行展示。本申请一实施例中可以在特定终端、硬件服务器上部署该软件系统。
本申请一实施例中,用户标签向量为根据用户标签生成的向量,用户标签为用户具备的特征,例如,用户A的用户标签为学生、游戏玩家、钓鱼爱好者等。
具体的,在S202的一种实现方式中,终端设备41中配置有群组序号生成模型以及用户标签生成模型。群组序号生成模型用于根据终端设备41采集到的第一用户的用户行为数据,获取第一用户对应的群组序号。用户标签生成模型用于根据终端设备41采集到的第一用户的用户行为数据获取第一用户对应的用户标签。
图7为根据本申请一实施例的群组序号和用户标签向量生成的流程图。
在一实施例中,终端设备41执行图7所述的下述流程以实现S202。
S600,终端设备41对采集到的第一用户的用户行为数据中的敏感数据进行过滤,如通过系统、用户自定义的黑名单和/或白名单加以控制,以过滤敏感数据。
本申请一实施例中,第一用户为使用终端设备41的用户。
S601,终端设备41根据过滤后的用户行为数据生成第一用户的用户行为编码。
终端设备41记录第一用户浏览的网页地址,生成用户行为编码URL1和URL2。
进一步的,模型服务器44中配置有群组序号生成模型,并且,模型服务器44存储有积累的用户行为数据。模型服务器44执行S602a。
具体的,模型服务器44与广告推荐服务器43均为云侧设备,其可以配置在同一台服务器设备中,也可以配置在不同的服务器设备中。
S602a,模型服务器44根据获取的用户行为数据训练群组序号生成模型,并向终端设备41发送群组序号生成模型。进一步的,在一实施例中,也可以由终端设备41自行训练群组序号生成模型。
S602,终端设备41使用群组序号生成模型对用户行为编码进行计算以获取第一用户的群组序号。
S603,终端设备41根据第一用户的群组序号分配群组。
例如,终端设备41使用群组序号生成模型对用户行为编码:URL1和URL2进行计算以获取第一用户的群组序号:群组id A。进一步的,将第一用户与群组id A对应的群组建立对应关系。
图8为根据本申请一实施例的部分流程图。
终端设备41执行图8所述的下述流程以实现S602。
S701、终端设备41基于云侧(例如,广告推荐服务器43,或者其他云侧服务器)下传的固定随机数种子,根据用户行为数据特征生成多组随机向量。
S702、终端设备41将获取的用户编码与随机向量点乘,生成用户固定维度表示。
S703、终端设备41对用户固定维度表示通过哈希(hash)值字典排序,分配群组,按照设置的配置文件将不同的区间作为同一群组。
进一步的,模型服务器44中还配置有用户标签生成模型,模型服务器44执行S604a。
S604a,模型服务器44根据获取的用户行为数据训练用户标签生成模型,并向终端设备41发送用户标签生成模型。进一步的,在一实施例中,也可以由终端设备41自行训练用户标签生成模型。
S604、终端设备41使用用户标签生成模型对用户行为编码进行计算以获取第一用户的用户标签。
S605、终端设备41根据用户标签生成用户标签向量。
S606、终端设备41将第一用户的用户标签向量与第一用户的群组序号对应。
具体的,在一实施例中,终端设备41执行如图8所示的下述步骤以实现S605。
S704、终端设备41记录生成的群组序号的历史记录。根据历史记录更新用户标签生成模型。
如本申请图8所示实施例中,S704中的群组序号的历史记录可以为G=[g1,g2,…,gn],其中,gi为第i个时间段内生成的群组序号,G为历史群组序号集合。
S705、终端设备41通过用户标签生成模型对用户行为数据特征和用户画像数据特征进行计算,生成用户标签。
S706、终端设备41根据用户标签生成用户标签向量。
图9为根据本申请一实施例的用户标签生成模型的示意图。
如图9所示,通过行为注意力网络对用户行为数据特征进行聚合,具体地,通过公式:
q∑iαiqi
对用户行为数据特征、用户画像数据特征和群组序号进行计算,生成用户行为参数,其中,W1和h1为需要学习的网络参数,qi为用户行为数据特征i的表示,p为用户画像数据特征,gn为当前选择的行为序列对应的群组序号,Relu=max(0,x)为激活函数,q为用户行为参数。
通过群组注意力网络对历史群组特征进行聚合,具体地,通过公式:
g∑jβjgj
对用户行为参数、用户画像数据特征和群组序号进行计算,生成群组序号参数,其中,这里W2和h2为需要学习的网络参数,q为用户行为参数,p为用户画像数据特征,gj为第j个历史群组序号的表示,g为群组序号参数。
将用户行为参数q、群组序号参数g和用户画像数据特征p进行合并,生成合并参数m=Concat(g,q,p)。
根据多层感知器(Multilayer Perceptron,简称MLP)的隐层向量,将不同用户的行为数据映射至同一预先定义好的标签空间,得到最终的用户标签向量,根据用户配置过滤出最终的向量结果:
z=MLP(m)
y=softmax(z)
其中,z为经过MLP变换后的用户表示,y为一个D维的向量,每个维度上取值在0至1之间,对应一个具体的标签tag的所属概率,即用户标签向量。
具体地,通过归一化指数函数对z进行计算,生成用户标签向量,其中,归一化指数函数包括softmax函数。
在S202之后,终端设备41执行S204。
S204、终端设备41向可信服务器42发送第一用户的群组序号和用户标签向量。
具体的,在一实施例中,图10为根据本申请一实施例的更新群组表示的流程图。终端设备41执行如图10所示的下述步骤以实现S204。
如图10所示,S1041、终端设备根据用户浏览序列(URL1、URL2、URL3、URL4、URL5和URL6),在一定时间窗口内生成群组序号及用户标签向量(例如,T1时刻生成群组id1和用户标签向量,T2时刻生成群组id2和用户标签向量),根据不同时刻浏览信息的不同,用户可以在不同群组间跳跃。此外,每隔一定时间将用户标签向量上传至可信服务器。
S206、可信服务器42判断同一群组对应的用户标签向量的更新频率是否大于更新频率阈值,若是,执行步骤208;若否,执行步骤210。
例如,在S204中,终端设备41向可信服务器42发送第一用户的群组序号和用户标签向量;可信服务器42根据第一用户的群组序号确定对应该群组序号的第一群组,并且,确认第一用户的用户标签向量对应第一群组。
可信服务器42确认第一用户的用户标签向量是否为对应第一群组的新的用户标签向量,如果是,则需要更新对应第一群组的用户标签向量。在需要更新对应第一群组的用户标签向量的情况下,计算对应第一群组的用户标签向量的更新频率。
本申请一实施例中,根据实际情况设置更新频率阈值,例如,更新频率阈值为60%。
本申请一实施例中,终端设备41每隔一定时间将用户标签向量上传至可信服务器42,可信服务器42根据同一群组内的用户标签向量的更新频率判断是否需要更新群组表示。
进一步的,本申请一实施例中,可信服务器42根据不同用户的终端设备上传的用户标签向量统计群组内用户的活跃程度。
S208、可信服务器42根据用户标签向量更新群组表示,生成更新后的群组表示。
本申请一实施例中,可信服务器42中存储有针对不同群组的群组表示,群组表示用于描述群组的属性信息。
具体的,在一实施例中,群组表示包括群组标签向量和群组序号。群组标签向量为根据群组标签生成的向量,群组标签为群组具备的特征,例如,群组A的群组标签为老人、60岁以上人员、退休人员等。
具体地,可信服务器42对群组序号对应的用户标签向量进行采样池化处理,生成群组标签向量。即,对对应同一群组的用户标签向量进行随机采样,生成最终的群组标签向量。
本申请一实施例中,池化(Pooling)是卷积神经网络中一个重要的概念,它实际上是一种形式的降采样。采样池化处理为对群组序号和用户标签向量进行压缩特征,以生成群组标签向量,该群组标签向量用于表示群组序号和用户标签向量被压缩的共有特征。
S210、可信服务器42将更新后的群组序号和群组向量标签的对应文件发送至终端设备。
S208、S210对应图8所示S708。在S708中,可信服务器42获取用户标签向量并更新群组表示(例如,更新群组标签向量),向终端设备41反馈群组序号和更新后的群组向量标签的对应文件。
对应文件包括群组序号和群组向量标签的对应关系,对应文件用于使得终端设备41可以根据群组序号查找到更新后的群组向量标签。
进一步的,在S210中,可信服务器42还可以向终端设备41反馈其他信息。
具体的,在一实施例中,可信服务器42执行如图10所示的下述步骤以实现S208、S210。
S1042、可信服务器通过对同一群组内的用户标签向量进行随机采样,生成最终的群组标签向量。其中,S1042包括:
S10421、可信服务器采样部分用户标签向量(参照S208)。
S10422、可信服务器根据部分用户标签向量进行池化计算,以生成群组标签向量(参照S208)。
S1043、可信服务器将更新后的群组序号以及对应的群组标签向量下发至终端设备。
本申请一实施例提供的技术方案中,使用可信服务器进行群组表示的更新,可信服务器与广告推荐服务器相互独立,有效避免了用户隐私的外泄。
进一步的,群组表示的更新仅利用用户标签向量完成,用户标签向量中并不包含可以直接描述用户信息的数据,进一步降低了用户隐私外泄的可能性。
在S202之后,终端设备41执行S212。
S212、终端设备41向广告推荐服务器43发起广告请求,广告请求携带有用户标签向量和群组序号。
进一步的,在本申请一实施例中,S208中,更新群组表示包含更新群组序号。终端设备41在S210之后执行S212,将更新后的群组序号加入广告请求。
S214、广告推荐服务器43将用户标签向量和群组序号对应的群组标签向量输入点击率预测模型,生成广告候选列表。
S214的一种实现方式中,广告候选列表包含按照第一顺序排列的多个广告(参照S108)。
具体的,在S214的一种实现方式中,广告推荐服务器43将不同广告的广告特征向量、终端设备41上传的第一用户的用户标签向量、终端设备41上传的第一用户的群组序号所对应的群组标签向量,输入点击率预测模型,计算出每一个广告针对第一用户的预估页面访问点击率。
根据预估页面访问点击率挑选广告以生成广告候选列表。并且,在广告候选列表中,根据广告的预估页面访问点击率进行排序(第一顺序),预估页面访问点击率越高,位于广告候选列表越靠前的位置。
S216、广告推荐服务器43为广告候选列表配置竞价信息。
本申请一实施例中,动态竞价信息包括广告候选列表中的广告的竞价。在S216中,广告推荐服务器43为广告候选列表中的每个广告分别配置竞价。具体的,在广告候选列表中排序越靠前的广告,竞价越高。
例如,广告候选列表依次为考研补习班广告、考公补习班广告、兼职广告,则考研补习班广告的排序最靠前,可以为考研补习班广告赋予最高的价格。
图11为根据本申请一实施例的广告发布方法的流程图。具体的,在一实施例中,广告推荐服务器43执行如图11所示的下述步骤以实现S214-S216。
如图11所示,用户通过终端设备41向广告推荐服务器43发送广告请求,广告请求携带有用户标签向量和群组序号。
S801、广告推荐服务器43获取广告特征向量。
S802、广告推荐服务器43通过点击率预测模型对上下文特征、广告特征向量以及广告请求中的用户标签向量、群组序号进行计算,生成广告的预估页面访问点击率。
本申请一实施例中,上下文特征包含用于表示终端设备41发送广告请求的上下文信息。
本申请一实施例中,点击率预测模型包括页面访问点击率(pCTR)模型。
S803、广告推荐服务器43基于预估页面访问点击率选取广告,生成广告候选列表(广告候选列表包含被选取的广告),并为广告候选集合中的广告配置竞价。
具体的,在S803的一种实现方式中,选取预估页面访问点击率大于设定点击率阈值(例如,设定点击率阈值为80%)的广告,加入到广告候选列表。按照预估页面访问点击率,对广告候选列表中的广告进行排序(第一顺序),按照排序结果进行竞价配置,以生成竞价信息。
例如,广告候选集合中游戏广告A对应的预估页面访问点击率为85%,则配置游戏广告A的竞价为2000元。广告候选集合中游戏广告A对应的预估页面访问点击率为65%,则配置游戏广告A的竞价为1500元。
本申请一实施例提供的技术方案中,结合用户的终端设备本地的实时数据,根据端云两侧模型排序预估的差异,进行竞价的动态调整,最大程度上提高广告的潜在收益,也可以在更精准地匹配用户兴趣的同时最大化收益水平。
在S216之后,广告推荐服务器43执行S218。
S218、广告推荐服务器43向终端设备41发送广告候选列表和竞价信息。
S220、终端设备41根据获取的用户点击率对广告候选列表中的第一顺序进行重排,生成第二顺序。
具体的,在一实施例中,终端设备41执行如图11所示的下述步骤以实现S220。
S804、终端设备41利用端侧模型,结合用户上下文特征、群组序号、用户标签向量以及广告候选集合中广告的广告特征向量,对广告候选集合中的排序顺序进行重新排序,生成广告排序结果,获取排序结果(第三排序)。
本申请一实施例中,用户上下文特征包含用于表示用户点击的广告页面的上下文信息。
本申请一实施例中,端侧模型为深度学习模型,通过历史数据(用户上下文特征、群组序号、用户标签向量以及广告特征向量的历史数据,以及,针对上述历史数据,由用户或技术人员整理的匹配用户的广告展示排序)训练深度学习模型以获取端侧模型。
S805、终端设备41基于用户对广告的点击行为计算实际页面访问点击率,基于实际页面访问点击率对广告的竞价进行调整,获取竞价调整结果。
具体的,终端设备41基于广告的预估页面访问点击率以及实际页面访问点击率对广告的竞价进行调整。
具体地,通过下述公式进行动态竞价调整。
其中,bg为广告推荐服务器43配置的竞价,bi为终端设备41调整后的竞价,pg为广告推荐服务器43计算出的预估页面访问点击率,pi为终端设备41计算出的实际页面访问点击率,T为广告主设置的竞价调整阈值。
S806、终端设备41根据调整后的竞价(竞价调整结果)对广告候选集合中的排序顺序(S804的排序结果,第三排序)进行重新排序,获取排序结果(第二排序)。
例如,基于ecpm,根据竞价调整结果计算第二排序。
在一实施例中,S805-S807循环执行,以持续更新广告候选集合中的排序顺序,从而实现广告展示针对用户的动态个性化匹配。
进一步,本申请一实施例中,S806之后还包括:
S807、终端设备41针对用户点击广告的行为进行数据采集(例如,记录用户广告点击行为,生成广告日志)。
本申请一实施例中,广告日志包括用户点击的广告。例如,用户点击了广告A、广告B和广告C。终端设备41根据广告A、广告B和广告C生成广告日志,以表明用户点击了哪些广告。
广告日志还包括用户点击的同一广告或同一类广告的频次。
S808、根据S807的数据采集结果,更新S804中使用的端侧模型,以不断优化端侧模型,提高第三排序与用户实际需求的匹配度。
进一步的,在220之后,终端设备41还执行S222。
S222、终端设备41向模型服务器43上传S807的数据采集结果(例如,广告日志)。
S224、模型服务器43根据终端设备41上传的数据采集结果更新群组序号生成模型和用户标签生成模型。
进一步的,在一实施例中,在220之后,终端设备41向云侧上传S807的数据采集结果,云侧可以通过终端设备41反馈的数据采集结果,利用预先定义好的群组标签向量进行归因分析,便于日后向相关人群投递广告。
图12为根据本申请一实施例的广告发布系统的结构示意图。
如图12所示,广告发布系统包括:终端设备1241(参照终端设备41)、可信服务器1242(参照可信服务器42)和广告推荐服务器1243(参照广告推荐服务器43)。
其中,终端设备1241包括:用户行为收集单元411、群组序号和用户标签向量生成单元412、竞价调整单元413、本地重排单元414和日志上传单元415。
可信服务器1242包括:用户标签向量更新频率统计单元421和群组标签向量更新单元422。
广告推荐服务器1243包括:云侧排序单元431和动态竞价配置单元432。
用户行为收集单元411用于收集用户的行为数据。具体的,用户行为收集单元411执行的具体内容请参见S201。
群组序号和用户标签向量生成单元412用于对用户行为收集单元411收集的行为数据进行处理,生成群组序号和用户标签向量。
具体的,群组序号和用户标签向量生成单元412执行的具体内容请参见S202-S204。
用户标签向量更新评率统计单元421用于根据群组序号和用户标签向量生成单元412上传的用户标签向量计算群组内用户标签向量的更新频率,确认是否需要更新群组表达。具体的,用户标签向量更新评率统计单元421执行的具体内容请参见S206。
群组标签向量更新单元422用于根据群组序号和用户标签向量生成单元412上传的用户标签向量进行采样、池化处理,以更新群组表示(群组标签向量)。具体的,群组标签向量更新单元422执行的具体内容请参见S208-S210。
云侧排序单元431用于根据群组序号和用户标签向量生成单元412生成的群组序号和用户标签向量生成广告候选列表并对广告候选列表中的广告进行排序。具体的,云侧排序单元431执行的具体内容请参见步骤S212-S214。
动态竞价配置单元432用于对广告候选列表中的广告配置。具体的,动态竞价配置单元432执行的具体内容请参见步骤S216-S218。
本地重排单元414用于对云侧排序单元431返回的广告候选列表中的广告排序进行重排。竞价调整单元413用于对云侧排序单元431返回的广告候选列表中的广告的竞价进行调整。具体的,本地重排单元414和竞价调整单元413执行的具体内容请参见步骤S220。
日志上传单元415用于将日志上传至云侧服务器,云侧服务器根据日志进行模型训练以及归因分析。具体的,日志上传单元415执行的具体内容请参见步骤S222-S224。
在本申请实施例的描述中,为了描述的方便,描述装置时以功能分为各种模块分别描述,各个模块的划分仅仅是一种逻辑功能的划分,在实施本申请实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
具体的,本申请实施例所提出的装置在实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块以软件通过处理元件调用的形式实现,部分模块通过硬件的形式实现。例如,检测模块可以为单独设立的处理元件,也可以集成在电子设备的某一个芯片中实现。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,ASIC),或,一个或多个数字信号处理器(Digital Singnal Processor,DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)等。再如,这些模块可以集成在一起,以片上装置(System-On-a-Chip,SOC)的形式实现。
本申请实施例提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述广告发布方法的实施例的各步骤,具体描述可参见上述广告发布方法的实施例。
本申请一实施例还提出了一种电子设备(例如,终端设备、可信服务器、广告推荐服务器、模型服务器中的一种),电子设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发电子设备执行如本申请实施例所述的方法步骤。
具体的,在本申请一实施例中,上述一个或多个计算机程序被存储在上述存储器中,上述一个或多个计算机程序包括指令,当上述指令被上述设备执行时,使得上述设备执行本申请实施例所述的方法步骤。
示例性地,图13示出了本申请实施例提供的一电子设备的硬件结构示意图。如图13所示,电子设备可以包括处理器110,通信模块120,显示器130,指示器140、内部存储器150,外部存储器接口160,通用串行总线(universal serial bus,USB)接口170,电源管理模块180等。
可以理解的是,本申请实施例示意的结构并不构成对电子设备的具体限定。在本申请另一些实施例中,电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
电子设备的处理器110可以是片上装置SOC,该处理器中可以包括中央处理器(Central Processing Unit,CPU),还可以进一步包括其他类型的处理器。例如,处理器110可以是PWM控制芯片。
处理器110涉及的处理器可以例如包括CPU、DSP、微控制器或数字信号处理器,还可包括GPU、嵌入式神经网络处理器(Neural-network Process Units,NPU)和图像信号处理器(Image Signal Processing,ISP),处理器110还可包括必要的硬件加速器或逻辑处理硬件电路,如ASIC,或一个或多个用于控制本申请技术方案程序执行的集成电路等。此外,处理器110可以具有操作一个或多个软件程序的功能,软件程序可以存储在存储介质中。
处理器110可以包括一个或多个处理单元。例如:处理器110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的部件,也可以集成在一个或多个处理器中。在一些实施例中,电子设备也可以包括一个或多个处理器110。其中,控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
在一些实施例中,处理器110可以包括一个或多个接口。接口可以包括集成电路间(inter-integrated circuit,I2C)接口,集成电路间音频(integrated circuit sound,I2S)接口,脉冲编码调制(pulse code modulation,PCM)接口,通用异步收发传输器(universal asynchronous receiver/transmitter,UART)接口,移动产业处理器接口(mobile industry processor interface,MIPI),通用输入输出(general-purposeinput/output,GPIO)接口,和/或USB接口等。其中,USB接口170是符合USB标准规范的接口,具体可以是Mini USB接口,Micro USB接口,USB Type C接口等。USB接口170可以用于电子设备与外围设备之间传输数据。
可以理解的是,本申请实施例示意的各模块间的接口连接关系,只是示意性说明,并不构成对电子设备的结构限定。在本申请另一些实施例中,电子设备也可以采用上述实施例中不同的接口连接方式,或多种接口连接方式的组合。
外部存储器接口160可以用于连接外部存储器,例如移动硬盘,实现扩展电子设备的存储能力。外部存储卡通过外部存储器接口160与处理器110通信,实现数据存储功能。例如将音乐,视频等文件保存在外部存储卡中。
电子设备的内部存储器150可以用于存储一个或多个计算机程序,该一个或多个计算机程序包括指令。处理器110可以通过运行存储在内部存储器150的上述指令,从而使得电子设备执行本申请一些实施例中所提供的方法,以及各种应用以及数据处理等。内部存储器150可以包括代码存储区和数据存储区。其中,代码存储区可存储操作系统。数据存储区可存储电子设备使用过程中所创建的数据等。此外,内部存储器150可以包括高速随机存取存储器,还可以包括非易失性存储器,例如一个或多个磁盘存储部件,闪存部件,通用闪存存储器(universal flash storage,UFS)等。
内部存储器150可以是只读存储器(read-only memory,ROM)、可存储静态信息和指令的其它类型的静态存储设备、随机存取存储器(random access memory,RAM)或可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备,或者还可以是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何计算机可读介质。
处理器110和内部存储器150可以合成一个处理装置,更常见的是彼此独立的部件,处理器110用于执行内部存储器150中存储的程序代码来实现本申请实施例所述方法。具体实现时,内部存储器150也可以集成在处理器中,或者,独立于处理器。
电源管理模块180用于为电子设备供电。
电源管理模块180用于连接电池与处理器110。电源管理模块180接收电池的输入,为处理器110,内部存储器150,外部存储器接口160,通信模块120等供电。电源管理模块180还可以用于监测电池容量,电池循环次数,电池健康状态(漏电,阻抗)等参数。在其他一些实施例中,电源管理模块180也可以设置于处理器110中。
电子设备的通信功能可以通过通信模块120,调制解调处理器以及基带处理器等实现。
调制解调处理器可以包括调制器和解调器。其中,调制器用于将待发送的低频基带信号调制成中高频信号。解调器用于将接收的电磁波信号解调为低频基带信号。随后解调器将解调得到的低频基带信号传送至基带处理器处理。低频基带信号经基带处理器处理后,被传递给应用处理器。应用处理器通过显示器130进行显示。在一些实施例中,调制解调处理器可以是独立的器件。在另一些实施例中,调制解调处理器可以独立于处理器110,与通信模块120或其他功能模块设置在同一个器件中。
通信模块120可以提供应用在电子设备上的包括无线局域网(wireless localarea networks,WLAN)(如无线保真(wireless fidelity,Wi-Fi)网络),蓝牙(bluetooth,BT),全球导航卫星系统(global navigation satellite system,GNSS)等无线通信的解决方案。通信模块120可以是集成至少一个通信处理模块的一个或多个器件。通信模块120将电磁波信号调频以及滤波处理,将处理后的信号发送到处理器110。通信模块120还可以从处理器110接收待发送的信号,对其进行调频,放大,转为电磁波辐射出去。
进一步的,本申请实施例阐明的设备、装置、模块,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。
本领域内的技术人员应明白,本申请实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
在本申请所提供的几个实施例中,任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
具体的,本申请一实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行本申请实施例提供的方法。
本申请一实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序,当其在计算机上运行时,使得计算机执行本申请实施例提供的方法。
本申请中的实施例描述是参照根据本申请实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
本申请实施例中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以意识到,本申请实施例中描述的各单元及算法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述,仅为本申请的具体实施方式,任何熟悉本技术领域的技术人员在本申请公开的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。本申请的保护范围应以所述权利要求的保护范围为准。
Claims (23)
1.一种广告发布方法,其特征在于,所述方法应用于终端设备,所述方法包括:
获取第一用户的用户行为数据;
根据所述第一用户的用户行为数据,获取所述第一用户所属群组的群组序号,以及,所述第一用户的用户标签向量;
向广告推荐服务器发起广告请求,所述广告请求携带有对应所述第一用户的所述用户标签向量以及所述群组序号;
接收所述广告推荐服务器发送的广告数据;
根据所述广告数据进行广告展示。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一用户的用户行为数据,获取所述第一用户所属群组的群组序号,包括:
使用配置在所述终端设备上的群组序号生成模型生成所述群组序号。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一用户的用户行为数据,获取所述第一用户的用户标签向量,包括:
使用配置在所述终端设备上的用户标签生成模型生成用户标签,根据所述用户标签生成所述用户标签向量。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一用户的用户行为数据,获取所述第一用户所属群组的群组序号,以及,所述第一用户的用户标签向量之前,所述方法还包括:
接收云侧服务器发送的所述群组序号生成模型和/或所述用户标签生成模型。
5.根据权利要求1所述的方法,其特征在于,所述广告数据包括广告候选列表,所述广告候选列表包含按照第一顺序排列的多个广告;
所述根据所述广告数据进行广告展示,包括:
对所述第一顺序进行重新排序,获取第二顺序;
基于所述第二顺序,对所述广告候选列表中的广告进行广告展示。
6.根据权利要求5所述的方法,其特征在于,所述对所述第一顺序进行重新排序,包括:
根据所述对应所述第一用户的群组序号以及用户标签向量,结合用户上下文,对所述广告候选列表中的广告进行排序。
7.根据权利要求5所述的方法,其特征在于,所述广告数据还包括针对所述广告候选列表的竞价信息,所述竞价信息包括所述广告候选列表中广告的竞价;
所述对所述第一顺序进行重新排序,包括:
统计所述第一用户针对所述广告候选列表中广告的实际页面访问点击率;
根据所述实际页面访问点击率,调整所述广告候选列表中广告的竞价,获取竞价调整结果;
根据所述竞价调整结果对所述广告候选列表中的广告进行排序。
8.根据权利要求5所述的方法,其特征在于,所述广告数据还包括针对所述广告候选列表的竞价信息,所述竞价信息包括所述广告候选列表中广告的竞价;
所述对所述第一顺序进行重新排序,包括:
根据所述对应所述第一用户的群组序号以及用户标签向量,结合用户上下文,对所述第一顺序进行重新排序,生成第三顺序;
统计所述第一用户针对所述广告候选列表中广告的实际页面访问点击率;
根据所述实际页面访问点击率,调整所述广告候选列表中广告的竞价,获取竞价调整结果;
根据所述竞价调整结果对所述第三顺序进行重新排序,生成所述第二顺序。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
输出所述第一用户对应的群组序号以及用户标签向量到可信服务器。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
接收所述可信服务器反馈的更新后的群组序号和群组向量标签的对应文件。
11.一种广告发布方法,其特征在于,所述方法应用于广告推荐服务器,所述方法包括:
接收终端设备发送的广告请求,所述广告请求携带有对应第一用户的用户标签向量以及群组序号;
根据所述用户标签向量以及群组序号生成对应第一用户的广告数据;
将所述对应第一用户的广告数据发送到所述终端设备。
12.根据权利要求11所述的方法,其特征在于,所述广告数据包括广告候选列表,所述广告候选列表包含按照第一顺序排列的多个广告。
13.根据权利要求12所述的方法,其特征在于,所述根据所述用户标签向量以及群组序号生成对应第一用户的广告数据,包括:
根据上下文特征、广告特征向量以及所述广告请求中的群组序号、用户标签向量计算广告的预估页面访问点击率;
基于所述预估页面访问点击率选取广告,生成所述广告候选列表,其中,按照所述预估页面访问点击率生成所述第一顺序。
14.根据权利要求12所述的方法,其特征在于,所述广告数据还包括针对所述广告候选列表的竞价信息,所述竞价信息包括所述广告候选列表中广告的竞价;
所述根据所述用户标签向量以及群组序号生成对应第一用户的广告数据,还包括:
基于所述第一顺序,为所述广告候选列表中的广告配置竞价。
15.一种广告发布方法,其特征在于,所述方法应用于可信服务器,所述可信服务器用于保存群组的群组标签向量,以及对应所述群组的用户的用户标签向量,所述方法包括:
接收终端设备发送的,对应第一用户的群组序号以及用户标签向量;
根据对应第一用户的群组序号确定对应的第一群组;
根据所述对应第一用户的用户标签向量,更新所述第一群组的群组标签向量。
16.根据权利要求15所述的方法,其特征在于,所述根据所述对应第一用户的用户标签向量,更新所述第一群组的群组标签向量,包括:
根据所述对应第一用户的用户标签向量,计算所述第一群组的用户标签向量更新频次;
在所述第一群组的用户标签向量更新频次超出预设阈值的情况下,根据所述对应第一用户的用户标签向量,更新所述第一群组的群组标签向量。
17.根据权利要求15所述的方法,其特征在于,所述方法还包括:
在更新所述第一群组的群组标签向量之后,将更新后的群组序号和群组向量标签的对应文件发送到所述终端设备。
18.一种广告发布方法,其特征在于,所述方法应用于模型服务器,所述模型服务器用于保存群组序号生成模型和/或用户标签生成模型;
所述群组序号生成模型用于根据第一用户的用户行为数据,生成所述第一用户所属群组的群组序号;
所述用户标签生成模型用于根据第一用户的用户行为数据,生成所述第一用户的用户标签;
所述方法包括:
输出所述群组序号生成模型和/或所述用户标签生成模型到所述第一用户的终端设备。
19.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如权利要求1-18中任一项所述的方法。
20.一种电子设备,其特征在于,所述电子设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当所述计算机程序指令被该处理器执行时,触发所述电子设备执行如权利要求1-10中任一项所述的方法步骤。
21.一种电子设备,其特征在于,所述电子设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当所述计算机程序指令被该处理器执行时,触发所述电子设备执行如权利要求11-14中任一项所述的方法步骤。
22.一种电子设备,其特征在于,所述电子设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当所述计算机程序指令被该处理器执行时,触发所述电子设备执行如权利要求15-17中任一项所述的方法步骤。
23.一种电子设备,其特征在于,所述电子设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当所述计算机程序指令被该处理器执行时,触发所述电子设备执行如权利要求18所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211057831.3A CN115496523A (zh) | 2022-08-30 | 2022-08-30 | 一种广告发布方法、计算机可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211057831.3A CN115496523A (zh) | 2022-08-30 | 2022-08-30 | 一种广告发布方法、计算机可读存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115496523A true CN115496523A (zh) | 2022-12-20 |
Family
ID=84469043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211057831.3A Pending CN115496523A (zh) | 2022-08-30 | 2022-08-30 | 一种广告发布方法、计算机可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496523A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952550A (zh) * | 2023-03-14 | 2023-04-11 | 深圳市洞见智慧科技有限公司 | 基于分离学习的纵向图联邦信息推荐方法及相关装置 |
CN117689426A (zh) * | 2024-01-31 | 2024-03-12 | 湖南创研科技股份有限公司 | 一种多通路广告效果评估方法及系统 |
-
2022
- 2022-08-30 CN CN202211057831.3A patent/CN115496523A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952550A (zh) * | 2023-03-14 | 2023-04-11 | 深圳市洞见智慧科技有限公司 | 基于分离学习的纵向图联邦信息推荐方法及相关装置 |
CN117689426A (zh) * | 2024-01-31 | 2024-03-12 | 湖南创研科技股份有限公司 | 一种多通路广告效果评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876526B (zh) | 商品推荐方法、装置和计算机可读存储介质 | |
CN107016026B (zh) | 一种用户标签确定、信息推送方法和设备 | |
CN106372249B (zh) | 一种点击率预估方法、装置及电子设备 | |
WO2019148982A1 (zh) | 排序 | |
US20160364736A1 (en) | Method and system for providing business intelligence based on user behavior | |
WO2015192667A1 (zh) | 推荐广告的方法及广告推荐服务器 | |
CN115496523A (zh) | 一种广告发布方法、计算机可读存储介质和电子设备 | |
CN108805598B (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN106251174A (zh) | 信息推荐方法及装置 | |
US20140278973A1 (en) | System and method for audience targeting | |
US20190303980A1 (en) | Training and utilizing multi-phase learning models to provide digital content to client devices in a real-time digital bidding environment | |
EP2891995A1 (en) | Systems and methods for search results targeting | |
WO2011033507A1 (en) | Method and apparatus for data traffic analysis and clustering | |
CN105590240A (zh) | 一种品牌广告效果优化的离散计算方法 | |
CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
CN105335518A (zh) | 生成用户偏好信息的方法及装置 | |
KR101639656B1 (ko) | 광고 제공 방법 및 서버 장치 | |
WO2015161515A1 (en) | Systems and methods for commercial query suggestion | |
US20150161634A1 (en) | Visitor session classification based on clickstreams | |
US20140372207A1 (en) | Profit index value generation system and profit index value generation method | |
KR102537601B1 (ko) | 광고 전략을 생성하기 위한 광고 방법 및 장치 | |
US20150142782A1 (en) | Method for associating metadata with images | |
US10354273B2 (en) | Systems and methods for tracking brand reputation and market share | |
CN111582901A (zh) | 一种展示链接效果的量化方法、装置、系统及存储介质 | |
US20220358347A1 (en) | Computerized system and method for distilled deep prediction for personalized stream ranking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |